Prezentare generală
Mixture-of-Agents (MoA) este o tehnică în care mai multe modele lingvistice redactează răspunsuri și apoi un model de agregare îmbină cele mai bune idei într-un singur răspuns îmbunătățit. Permite unei echipe de modele deschise să rivalizeze sau să învingă un singur model de top.
Mixture-of-Agents Aggregation face parte din stiva de limbă-AI folosită pentru a citi, genera, clasifica și transforma textul și vorbirea la scară.
Deep Dive
Introdus într-o lucrare din 2024 de la Together AI, Mixture-of-Agents organizează mai multe LLM-uri în straturi. În primul strat, mai multe modele „propozitoare”, fiecare răspund independent la solicitare. Ieșirile lor sunt apoi concatenate și transmise la stratul următor, unde modelele răspund din nou, acum condiționate de toate schițele anterioare. După una sau mai multe astfel de runde, un model final de „agregator” sintetizează totul într-un singur răspuns. Perspectiva de bază, pe care autorii o numesc „colaborativitatea LLM”, este că modelele produc răspunsuri mai bune atunci când sunt prezentate răspunsurile colegilor, chiar și cele imperfecte. Pe criteriul de referință AlpacaEval 2.0, un MoA construit în întregime din modele open-source a depășit scorul GPT-4 Omni, demonstrând că agregarea atentă a modelelor diverse și mai ieftine poate depăși un singur sistem de frontieră.
Perspectivă tehnică
MoA diferă de votul cu majoritate simplă: în loc să aleagă un singur răspuns, agregatorul citește toate răspunsurile candidaților ca context și generează o nouă sinteză, combinând punctele forte și erorile de filtrare. Diversitatea dintre propuneri ajută, astfel încât amestecarea diferitelor familii de modele este valoroasă. Structura este stratificată, ca o rețea profundă în care „neuronii” fiecărui strat sunt apeluri întregi LLM. Compensația este latența și costul: fiecare strat înmulțește numărul de apeluri de inferență, astfel încât MoA cheltuiește mai mult calcul pentru a crește calitatea.
Stăpânirea agregării amestecului de agenți
Mixture-of-Agents (MoA) este o tehnică în care mai multe modele lingvistice redactează răspunsuri și apoi un model de agregare îmbină cele mai bune idei într-un singur răspuns îmbunătățit. Permite unei echipe de modele deschise să rivalizeze sau să învingă un singur model de top. Mixture-of-Agents Aggregation face parte din stiva de limbă-AI folosită pentru a citi, genera, clasifica și transforma textul și vorbirea la scară. Pentru a construi o înțelegere profundă, tratați agregarea amestecului de agenți ca un model de operare, nu o singură caracteristică: definiți rezultatele dorite, clarificați ipotezele și separați ceea ce poate face sistemul în mod fiabil de ceea ce necesită încă o judecată expertă.
În practică, echipele puternice care utilizează agregarea amestecului de agenți proiectează solicitări, recuperare și bucle de revizuire ca un singur sistem de comunicare integrat. Aceștia documentează criteriile de succes explicite, testează în funcție de date și fluxuri de lucru realiste și repetă pe baza modelelor de eșec observate, mai degrabă decât a câștigurilor de referință unice. Aici înțelegerea teoretică se transformă în capacitate durabilă pentru produse, politici și operațiuni.
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența. În același timp, faptele halucinate pot intra în liniște în rapoarte, fluxuri de suport sau rezultate ale cercetării. Cea mai rezistentă abordare este combinarea vitezei de experimentare cu disciplina de guvernare: desfășurați pilot, capturați dovezi, publicați jurnalele de decizie și actualizați continuu măsurile de protecție pe măsură ce comportamentul modelului, așteptările utilizatorilor și cerințele de reglementare evoluează.
Impact strategic
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența.
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Extinde accesul în diferite limbi și stiluri de comunicare.
Extinde accesul în diferite limbi și stiluri de comunicare. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție.
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Implementare în lumea reală
Combinând trei modele de chat deschise diferite ca propuneri, apoi folosind un agregator puternic pentru a produce un răspuns de asistență pentru clienți.
Creșterea scorurilor de urmărire a instrucțiunilor pe benchmark-uri în stil AlpacaEval folosind numai modele open-source.
Fuzionarea diverselor sugestii de cod de la mai multe modele într-o singură implementare a funcției, mai robustă.
Rularea unui pipeline open-weights care se apropie de calitatea de frontieră pentru o implementare sensibilă la confidențialitate în care datele nu pot părăsi serverele unei companii.
Modele de implementare
Agregarea amestecului de agenți în practică
Combinând trei modele de chat deschise diferite ca propuneri, apoi folosind un agregator puternic pentru a produce un răspuns de asistență pentru clienți.
Combinând trei modele diferite de chat deschis ca propuneri, apoi folosind un agregator puternic pentru a produce un răspuns de asistență pentru clienți, echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile erorilor în timp.
Agregarea amestecului de agenți în practică
Creșterea scorurilor de urmărire a instrucțiunilor pe benchmark-uri în stil AlpacaEval folosind numai modele open-source.
Creșterea scorurilor de urmărire a instrucțiunilor pe benchmark-uri în stil AlpacaEval folosind doar modele open-source Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile erorilor în timp.
Agregarea amestecului de agenți în practică
Fuzionarea diverselor sugestii de cod de la mai multe modele într-o singură implementare a funcției, mai robustă.
Fuzionarea diverselor sugestii de cod de la mai multe modele într-o singură implementare a funcției, mai robustă Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile de eroare în timp.
Agregarea amestecului de agenți în practică
Rularea unui pipeline open-weights care se apropie de calitatea de frontieră pentru o implementare sensibilă la confidențialitate în care datele nu pot părăsi serverele unei companii.
Rularea unei conducte deschise care se apropie de calitatea de frontieră pentru o implementare sensibilă la confidențialitate în care datele nu pot părăsi serverele unei companii Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile de eroare în timp.
Riscuri și balustrade
Faptele halucinate pot intra în liniște în rapoarte, fluxuri de sprijin sau rezultate ale cercetării.
Sensibilitatea promptă poate crea rezultate inconsecvente pentru solicitări similare.
Datele text sensibile pot fi expuse dacă controalele de acces sunt slabe.
Foaia de parcurs de implementare
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare.
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Păstrați un punct de control uman pentru rezultate cu mize mari.
Păstrați un punct de control uman pentru rezultate cu mize mari. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.